Agora-2 對上 Grok 4.6：代理政策問題——1,200 個 LLM 代理，以及兩者皆未使用的模擬器

這裡有一個很花錢的數字。METR 對 2026 年 7 月 Hugging Face 事件的調查，在單一評估運行中算出了約 1,200 個協同運作的代理。以 Grok 4.6 的費率表來看——每百萬輸入 token 2.00 美元、每百萬輸出 token 6.00 美元——這種規模的機群連續六天不斷產出長篇逐字稿，是一筆資金充裕的團隊真的吸收得起的帳單。但若換成你原本會伸手選用的模型價格，就不是了。那正是 Grok 4.6 真正的產品主張，而這也正是同一項主張 Agora-2 卻默默牴觸：當 Odyssey 於 2026 年 9 月 21 日推出其多代理世界模型——一個可遊玩的預覽版，能為多達 20 名人類與 AI 代理生成共享環境——結果它內部的代理根本不是語言模型。Odyssey 改為訓練小型強化學習策略。這組對照所引發的有趣問題，不是哪一個更好，而是該實驗室為什麼跳過 LLM。

費率表，以對車隊最重要的單位呈現

Grok 4.6 於 2026 年 8 月 12 日推出，是 xAI 的旗艦級別：50 萬個 token 的上下文視窗，支援文字、圖片與檔案輸入、可調整的推理強度、原生工具呼叫、結構化輸出，在索引 v4.3.2 上的 Artificial Analysis Intelligence Index 分數為 44——同一個索引中，GPT-5.6 Sol 為 47，Kimi K3 為 44。Artificial Analysis 在 GPQA Diamond 上給它 94.9 分，而它正是 xAI 在自己的開發者文件中列為「Latest」的模型。它以第一級 OpenAI Responses 模型的形式提供服務，而這正是實務上的重點：代理框架採用它只要改一個 base URL，不需要撰寫轉接器。

但真正有趣的數字，是 $2/$6 與上下文視窗的搭配。長時程代理迴圈是很難看的工作負載——每個代理每小時累積數萬個 token 的工具輸出，其中大部分都是冗餘的。Grok 4.6 的快取讀取費率是每百萬 $0.50，是其輸入價格的四分之一，這正是讓代理執行在算術上說得通、而不只是理論上可行的原因。注意分級界線：超過 200K token 的提示會以基本費率的兩倍計費，因此一個不斷累積長歷史的代理會悄悄讓自身成本加倍。

• 價格 — Agora-2 未公布價格，僅提供瀏覽器預覽，對比 Grok 4.6 每 1M 為 $2.00/$6.00，快取讀取 $0.50，輸入超過 200K 時價格加倍

• 上下文 — Agora-2 共享狀態，加上每個檢視各自的有界歷史記錄，對比 Grok 4.6 的 500,000 個權杖

• 獨立評分 — Agora-2 未公布任何評分，對比 Grok 4.6 AA Intelligence Index 44（v4.3.2）

• 推理 — Agora-2 不適用，並非語言模型；對比 Grok 4.6 的可配置推理強度、原生工具呼叫

• 存取 — Agora-2 可試玩預覽，無 API、無權重，對比 Grok 4.6 專有 API

• 硬體 — Agora-2 使用四張 RTX PRO 4500 GPU，支援四個並行視圖，而 Grok 4.6 則是一個託管端點

為什麼 Odyssey 沒有把 LLM 放進競技場

明顯的捷徑，如果你正在打造一個由十六個 AI 代理對抗四個人的世界，就是將一個能力強大的文字模型接到控制端並讓它遊玩。Odyssey 並沒有這麼做，而其技術報告在配置表中說明了原因。Agora-2 中的代理策略是一個遞迴純量與空間策略，消耗十六筆觀測的歷史，每四個模擬 tick 發出一個動作，涵蓋十四個離散移動分支。模擬本身以 30 Hz 的 tick 時基推進。要求一個模型每秒做出三十次決策，從部分觀測的視角，且具有固定的低階動作詞彙，這不是推理問題——而是控制問題，而控制問題是透過訓練一個小型策略來解決，而不是透過提示一個 500K 上下文的前沿模型。

值得把這一點說清楚，因為這是關於世界模型這個類別最常見的誤解。Agora-2 並不與 Grok 4.6 爭奪系統中的同一個位置。它佔據的是底下那個位置：策略模型接受訓練與評估的環境。該報告的架構明確說明了這樣的分工——模擬模型預測合併後的動作如何改變共享狀態，世界伺服器負責套用這些動作，而每個視角的渲染模型則根據該狀態生成每位參與者各自的 640×480 視角。在整個互動迴路中，沒有任何文字模型出現。

像 Grok 4.6 這樣的模型真正會出現的地方，是在更高一個層級：作為那個負責撰寫評估鷹架、分析逐字稿，或驅動你正試圖研究其行為的工具使用代理的東西。這正是 GPT-5.6 Sol 在 METR 調查中扮演的角色——約佔這批代理的 5%，並擔任閱讀日誌的分析師——而這也正是 Grok 4.6 的價格與上下文視窗使其變得便宜的角色。

這裡的證據落差比這些對決中的大多數都還要大

Grok 4.6 的指標分數經獨立測量，其費率表已公布，其上下文視窗也有文件記錄。Agora-2 的數字則來自 Team Odyssey 撰寫、卻無人重現的報告。在三十段監控片段上，其結構化前綴渲染器達到 30.11 dB PSNR，而 VAE 基線為 20.67 dB——報告本身警告，這項比較是介於訓練預算不相匹配的完整系統之間，而非孤立的架構測試。其條件化基準測試顯示，相較於交叉注意力可將去噪器時間減少 45.8%，但該測試在合成輸入上使用隨機初始化的去噪器，衡量的是執行成本，而非影像品質。

然後是限制部分，這部分異常直接。所述每秒 15 次潛在更新與每秒 30 個顯示幀數是目標值。即時多智能體互動期間的持續幀率與輸入到顯示延遲「尚未經過定量評估」。長時程視覺品質、視圖之間的一致性，以及端到端動作遵循度，全都列為未評估。該環境需要一個具備量測工具的遊戲引擎，並要求明確的幾何與固定的外觀詞彙，而轉移到新資產、規則或環境則未經測試。在你閱讀任何關於 Agora-2 的頭條數字之前，先讀那份清單。

哪一個屬於你的技術棧？

若你今日正在運行或研究多代理系統，Grok 4.6 就是你能真正部署的元件——一個前沿等級的文本模型，其費率讓大型代理艦隊變得可負擔，並附有公開的評分與有文件記載的 API 介面。在 OrcaRouter 上，它以 xAI 自家的定價提供，零加成，因此上述的 $2/$6 以及任何未來的費率變動，都會在發生當天反映到你的帳單上，並具備主要端點效能下降時的自動容錯移轉。這兩點對艦隊工作負載尤其重要：一千個代理就是一千次遇上效能低落供應商的機會，而在 $6 輸出成本之上再加的加成，就是乘以你整輪執行量的加成。

Agora-2 並非可部署的基礎設施，我們也不託管它——沒有 API、沒有權重，也沒有價格，只有 Odyssey 自家的可玩預覽。它提供的是一種不同類型的價值：一個受控環境，用於 METR 報告顯示如今已迫在眉睫的互動研究，成本是四張 RTX PRO 4500 GPU 以支援四個並行檢視，而不是 API 帳單。誠實的結論是，這兩者並不競爭。Grok 4.6 是你今天可以按代幣購買的策略大腦；Agora-2 則是一項提案，探討當數千個這樣的腦袋相遇時該在哪裡進行測試。後者是有趣的研究，而非完成的產品，而 Odyssey 自己的報告令人耳目一新地清楚指出其中哪些部分仍是目標。